研究领域概述
该项目聚焦13个核心技术方向：
- 自动化推理
- 云计算与系统
- 计算机视觉
- 对话式人工智能
- 经济学
- 信息与知识管理
- 机器学习
- 运筹学与优化
- 量子技术
- 机器人技术
- 搜索与信息检索
- 安全、隐私和滥用防护
- 可持续发展
获奖学者研究内容
强化学习与分布式系统
Sanae Amani Geshnigji致力于将赌博机和强化学习算法应用于安全关键的分布式物理系统，包括机器人、无线网络、电网和医疗试验等领域。
知识图谱与神经符号推理
Kewei Cheng专注于知识图谱推理，特别是神经符号推理方向，结合机器学习与网络科学技术开展研究。
多模态自然语言处理
Zi-Yi Dou致力于构建稳健的多模态多语言AI模型，通过自然语言交互帮助用户完成任务，重点解决跨模态信息整合和场景泛化问题。
流体动力学AI应用
Kai Fukami利用人工智能技术和机器学习方法，基于有限传感器测量来理解和控制湍流流动。
显微成像AI技术
Luzhe Huang结合人工智能与光学技术，开发生物学、病理学和医学领域的智能显微成像解决方案。
语音技术公平性研究
Alexander Johnson专注于提升儿童语音和非洲裔美国英语的语音技术性能，通过低资源方言创新方法实现语音识别系统的公平性。
强化学习现实应用
Tung Nguyen针对高维输入、不确定性量化和交互成本等挑战，致力于实现稳健的序列决策在实际场景中的应用。
低成本机器人安全技术
Alexander Schperberg研究使用现成或低成本组件开发机器人系统，重点解决安全性和可及性问题。
可信机器学习
Zhouxing Shi专注于机器学习模型的形式化可验证鲁棒性研究，特别是神经网络的可靠性保障。
智能显微镜心血管研究
Zhaoqiang Wang运用智能显微镜技术揭示模型动物的心脏形态和动力学特征，支持心血管疾病机制研究。
大规模机器学习优化
Yu Yang致力于提高大规模数据学习的资源效率，通过优化训练数据和学习目标来提升模型泛化性能。
外部知识增强模型
Da Yin研究如何利用外部知识提升神经模型的效能和包容性，包括知识识别、获取和注入三个关键阶段。
概率推理与形式化验证
Zhe Zeng结合概率机器学习技术和形式化验证方法，解决复杂现实场景下的高效可靠推理问题。
技术合作模式
该项目为博士研究生提供最多两个季度的研究经费支持，涵盖计算机科学、电气与计算机工程、生物工程、机械与航空航天工程等多个学科领域。获奖者还将获得在某机构实习的机会，促进学术界与工业界的技术交流与合作。